案例：逻辑回归预测良恶性乳腺癌肿瘤
发布时间
阅读量：
阅读量
先说一下概念，是分类算法
数据导入：直接读取互联网上的数据
这是根据对数字的理解，进行对列的取名
数据清洗与整理
在机器学习中，要对数据进行切分，分为训练集和测试集，75%为训练集，25%为测试集
这里面有两个语法错误
一sklearn中已经废弃cross_validation,将其中的内容整合到model_selection中
将sklearn.cross_validation 替换为 sklearn.model_selection
二是分配为10的时候，出现溢出情况，应该改为9，9个特性
数据标准化
sklraen的preprocessing中去导入一个StandardScaler去做标准化
因为后面要做逻辑回归，顺便导入LogisticRegression
调用lr中的fit函数/模块训练模型参数
有空可以去查阅关于它的文档
LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True,
intercept_scaling=1, l1_ratio=None, max_iter=100,
multi_class=‘auto’, n_jobs=None, penalty=‘l2’,
random_state=None, solver=‘lbfgs’, tol=0.0001, verbose=0,
warm_start=False)
现在进行评估
评估方法一和二的区别是，前者要有报告，后者是没有报告下的评估
评估结果
suppro样本，precision准确率
全部评论 (0)
还没有任何评论哟~